针对计算机视觉中目标跟踪的问题,提出基于卷积神经网络(CNN)提取深度特征并与边缘特征进行自适应融合的策略来实现视频目标的跟踪算法。卷积神经网络的低层网络可以获取目标的一部分空间结构、形状等特征;高层网络可以获得相对比较抽象的部分语义信息。将VGG16神经网络中第2个卷积层Conv1-2、第4个卷积层Conv2-2和最后一个卷积层Conv5-3提取的深度特征与边缘特征进行特征的自适应融合来实现视频目标跟踪。在OTB100数据集中对本文算法进行实验验证与分析,结果表明,本文算法能够对目标实现更加准确的定位。

为了改善低剂量计算机断层扫描(CT)图像的视觉质量, 提出一种基于卷积神经网络的图像去噪方法。网络引入批量归一化, 并且学习的是低剂量CT图像到其噪声图像之间的映射; 使用空洞卷积在不提高复杂度的情况下增大感受野; 此外, 还将前后层的特征图进行连接, 使后方的卷积层能够利用前方各层的特征图作为输入, 鼓励网络中特征图的重用。实验结果表明, 与目前较先进的方法相比, 所提网络结构在实现了更好去噪效果的同时大幅度降低了网络复杂度, 能够快速、显著地改善低剂量CT图像的视觉质量。

基于卷积神经网络的人脸识别系统.zip

基于卷积神经网络的织物图像特征提取与检索研究进展

基于卷积神经网络的图像识别算法的研究，适合于毕业学生，非常好用，赶紧下载，非常合适，基于卷积神经网络的图像识别算法的研究

在MNIST数据集上利用自编码器实现了图像降噪，具体包括： 环境：Tensorflow 2.0-GPU + Win10 + Anaconda 1. 使用卷积自编码器进行图像降噪 2. 测试自编码器的自适应降噪能力 3. 计算重建图像和原始图像的PSNR 4. 对卷积核，通道进行可视化，分析降噪过程

基于卷积神经网络的电视频道推荐算法_邵文倩.pdf

在室内麦克风阵列声源定位算法的研究中,混响和噪声对定位精度影响很大,传统的声源定位算法无法在高混响和低信噪比的环境中保持较高的定位精度。为了解决这一问题,提出一种基于卷积神经网络的室内声源定位算法,该算法提取麦克风阵列接收信号的相位加权广义互相关函数作为训练特征,获取目标声源三维位置信息。基于NOIZEUS数据库的实验结果表明,该方法能够通过训练适应不同的声学环境,与其他基于学习的室内声源定位算法相比,其在高混响与低信噪比环境下仍具有较好的定位性能与鲁棒性,具有较大的研究和应用价值。

该程序代码是基于Python3.5开发的，程序代码中包括制作人脸数据集faces_my.py文件，自动打开电脑上的摄像头实时捕捉人脸保存，并保存到指定目录下，可以在程序中设置人脸数据集的大小，初始数据集是10000张人脸图片。人脸大小指定为64*64像素大小，方便后面神经网络的训练。经过模型训练后，该人脸识别算法准确率达到了百分之99。训练模型请运行train.py文件，并可以自行设置训练的批次和迭代结束的条件，训练好模型后会自动在程序运行目录下保存当前训练好的卷积神经网络模型。模型训练完成后，若想看到模型的实际运行效果怎么样，请运行recognition.py文件，程序运行后将会自动调取计算机上的摄像头实时监测人脸并识别人脸，在图形界面窗口实时显示人脸识别的结果。

基于卷积神经网络的心律失常自动分类关键技术研究_李嘉.caj